周國(guó)棟

（湖南廣播電視大學(xué)網(wǎng)絡(luò)技術(shù)學(xué)院， 長(zhǎng)沙 410004）

0 引言

表面缺陷檢測(cè)是工業(yè)產(chǎn)品質(zhì)量檢測(cè)的重要內(nèi)容，常見的工業(yè)產(chǎn)品表面缺陷種類主要有裂痕、凹陷、色斑等。

采用機(jī)器視覺進(jìn)行產(chǎn)品表面缺陷快速檢測(cè)具有非接觸、機(jī)械結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)，近年來，如何實(shí)現(xiàn)機(jī)器視覺的快速識(shí)別成為研究熱點(diǎn)[1-3]。李慶利等[1]利用顏色特征，以區(qū)分產(chǎn)品表面缺陷和背景顏色，再利用基于彩色空間的聚類方法設(shè)計(jì)出一種快速識(shí)別方法，但彩色空間對(duì)光源環(huán)境非常敏感，檢測(cè)不穩(wěn)定，且檢測(cè)時(shí)間長(zhǎng)，不易小型化；張軍[2]提出一種利用小波變換進(jìn)行頻域?yàn)V波和特征識(shí)別的方法，用于表面缺陷的快速檢測(cè)，但基于頻率的處理方法容易受到復(fù)雜紋理背景的干擾，有一定的局限性；晁云等[3]采用模板識(shí)別的方法，將合格表面圖像設(shè)置為模板，再和待檢表面進(jìn)行對(duì)比，最后用局部門限處理算法實(shí)現(xiàn)快速缺陷特征快速識(shí)別，但該方法只適合于固定背景情況，對(duì)于變化的紋理背景就無能為力了。

以瓷磚的表面缺陷檢測(cè)為例，目前，該領(lǐng)域生產(chǎn)實(shí)際中的檢測(cè)主要依靠人工，機(jī)器視覺應(yīng)用較少，阻礙其應(yīng)用的主要原因是該領(lǐng)域生產(chǎn)環(huán)境較復(fù)雜。一是表面缺陷種類多，且形態(tài)各異，無法利用標(biāo)準(zhǔn)的模板進(jìn)行識(shí)別；二是生產(chǎn)過程留下的非缺陷干擾較多，比如手印、水漬、碎石等，和缺陷特征在圖像上較為相似，加大了視覺檢測(cè)的難度，而要做到檢測(cè)前徹底清除干凈，也十分困難。另外，工業(yè)現(xiàn)場(chǎng)檢測(cè)環(huán)境還往往存在檢測(cè)位置的變化、光源角度的變化等情況。在復(fù)雜的干擾環(huán)境下，傳統(tǒng)視覺檢測(cè)方法無法獲得滿意的檢測(cè)精度。

SIFT 圖像特征具有尺度不變、旋轉(zhuǎn)不變等特點(diǎn)，在表面缺陷識(shí)別應(yīng)用上，表現(xiàn)出獨(dú)特的優(yōu)勢(shì)。周鵬[4]應(yīng)用SIFT算法對(duì)鋼板進(jìn)行了表面缺陷檢測(cè)，準(zhǔn)確率高達(dá)95%；王星等[5]在藥用玻璃瓶印刷圖案缺陷檢測(cè)上運(yùn)用SIFT特征識(shí)別，有效提升了檢測(cè)效率和精度；曾瑞篷[6]運(yùn)用SIFT特征對(duì)汽車保險(xiǎn)盒缺陷進(jìn)行在線檢測(cè)，檢測(cè)精度提升了5.8%。

目前國(guó)內(nèi)外利用機(jī)器視覺進(jìn)行表面缺陷檢測(cè)的方法主要有3種，分別是基于像素統(tǒng)計(jì)的直方圖方法，基于卷積神經(jīng)網(wǎng)絡(luò)方法和基于SIFT 等特征描述方法。在有復(fù)雜干擾情況下，SIFT 表現(xiàn)出較強(qiáng)大的魯棒性和抗干擾能力，但該方法的相關(guān)參數(shù)設(shè)置非常復(fù)雜，直接影響檢測(cè)效率和精度，本文將給出相應(yīng)的設(shè)置方法和經(jīng)驗(yàn)公式，提高該方法的應(yīng)用效率。

1 SIFT算子檢測(cè)原理

為更好地描述圖像特征，Lowe等[7]設(shè)計(jì)了一種具有尺度不變、角度不變的特征變換算子（Scale-invariant Feature Trans?form ， SIFT）。該算法的特點(diǎn)是提取目標(biāo)區(qū)域的局部特征，并能對(duì)成像焦距、亮度、旋轉(zhuǎn)角度等變化因素保持不變，也能對(duì)圖像噪聲干擾保持較好的魯棒性。尤其是在目標(biāo)遮擋（Occlusion）、雜物場(chǎng)景（Clutter）等復(fù)雜環(huán)境下，傳統(tǒng)的基于顏色統(tǒng)計(jì)或基于邊緣面積、邊緣形狀等方法很難湊效。

SIFT 算法的關(guān)鍵是找出圖像中特征點(diǎn)，并計(jì)算出其特征描述，最后用這些特征描述和樣本進(jìn)行比對(duì)， 如果匹配的點(diǎn)足夠多，則可以判定其類別。其大致步驟如圖1 所示，具體如下。

圖1 SIFT圖像金字塔

（1）第1 步，為了特征點(diǎn)具有縮放不變特性，先對(duì)圖像進(jìn)行分組（Oc?tave），按照1/2降采樣得到不同組數(shù)，圖1列出了2組。

（2）第2 步，為了特征點(diǎn)具有模糊（尺度）不變特性，對(duì)每組圖片進(jìn)行不同尺度的高斯模糊，得到尺度組的不同圖層，圖1列出了6層。

（3）第3 步，為了得到圖像亮度變化的極值點(diǎn)來作為候選特征點(diǎn)，利用高斯差分（DOG）來提取圖像邊緣。如圖1所示，將第6層和第5層相減，得到高斯差分組的1層，以此類推，可以得到5層高斯差分組。最后從高斯差分圖像中計(jì)算出極值點(diǎn)作為初步特征點(diǎn)。

（4）第4 步，過濾掉不好的特征點(diǎn)，包括兩類，一是對(duì)比度低的點(diǎn)，二是不穩(wěn)定的邊緣響應(yīng)點(diǎn)。其原理是將候選特征點(diǎn)及其附近的點(diǎn)擬合，利用導(dǎo)數(shù)為零，求出其確切的亞像素極值點(diǎn)。并計(jì)算出這些極值點(diǎn)的對(duì)比度，設(shè)定對(duì)比度閾值T，剔除掉對(duì)比度低的特征點(diǎn)。對(duì)于邊緣響應(yīng)點(diǎn)，則是利用DOG圖像的Hessian矩陣來計(jì)算特征點(diǎn)的主曲率。設(shè)定邊緣閾值Tr，剔除掉小于Tr的特征點(diǎn)。

（5）第5 步，計(jì)算特征點(diǎn)的主方向，并生成特征描述矩陣。在以特征點(diǎn)為中心、3×1.5δ為半徑的區(qū)域內(nèi)，統(tǒng)計(jì)圖像特征點(diǎn)的幅角和幅值，以統(tǒng)計(jì)直方圖的峰值作為主方向。得到主方向后，以主方向?yàn)橹行娜?×8 的窗口，并求取每個(gè)像素的梯度幅值與梯度方向。最終，一個(gè)特征點(diǎn)產(chǎn)生出128 維的SIFT特征向量，N個(gè)特征點(diǎn)生成一個(gè)N×128的特征描述矩陣。

（6）第6 步，分別得到缺陷模板圖像和待檢測(cè)圖像的特征描述矩陣后，最后用K近鄰算法找出與模板特征點(diǎn)向量歐式距離的最近鄰和次近鄰點(diǎn)。如果最近鄰距離小于次近鄰距離的70%，則認(rèn)定為匹配點(diǎn)。

2 SIFT算子參數(shù)確定與優(yōu)化

SIFT 的本質(zhì)是特征點(diǎn)選取與特征信息描述，目的是產(chǎn)生能不隨圖像尺度和方向等因素干擾的特征數(shù)據(jù)，從而實(shí)現(xiàn)圖像塊識(shí)別的魯棒性。但該算法數(shù)據(jù)處理量較大，耗時(shí)較長(zhǎng)。這使得其在實(shí)時(shí)檢測(cè)場(chǎng)合難以適應(yīng)。本文將通過減少SIFT特征點(diǎn)數(shù)量，提高特征點(diǎn)獨(dú)特性，以達(dá)到壓縮特征描述矩陣的目的。優(yōu)化SIFT算子的參數(shù)設(shè)置是減少特征點(diǎn)提取數(shù)量的一個(gè)非常有效的辦法。

2.1 圖像金字塔組數(shù)的確定

圖像金字塔組數(shù)（Octave）關(guān)系檢測(cè)的精度和速度，這個(gè)參數(shù)的確定，一般會(huì)使用如下的經(jīng)驗(yàn)公式[7]：

式中：p為圖像組數(shù)；m和n分別為圖像長(zhǎng)和寬；a為補(bǔ)償值，具體數(shù)據(jù)可根據(jù)實(shí)際圖像處理速度和精度來確定。

本文中，機(jī)器視覺獲取的原始圖像尺寸為[512，512]。用間隔取值法將原始圖像不斷縮小，直到全部圖案特征都不能識(shí)別，這時(shí)的尺寸若為[20，20]，按照SIFT 規(guī)則，每次按1/2尺寸進(jìn)行變換，從512 壓縮到20，需要不少于5 次變換。由此，a值可取為4，最后得到圖像金字塔的組數(shù)p應(yīng)該設(shè)置為不小于5。

2.2 尺度空間初始值的確定

尺度空間，簡(jiǎn)單理解就是圖像的模糊程序，一般使用高斯模糊不斷處理圖像，隨著尺度的增加，圖像細(xì)節(jié)逐漸融合，大的輪廓依然可見，從而可以實(shí)現(xiàn)提取輪廓的目的。尺度空間δ的經(jīng)驗(yàn)公式如下：

式中：o為金字塔的分組序號(hào)；s為同一組的圖像層號(hào)；δ0為尺度空間的初始值；S為金字塔中每組的層數(shù)。

按照經(jīng)驗(yàn)，常規(guī)應(yīng)用中，設(shè)置δ0=1.6，S=3即可滿足要求[7]。

研究發(fā)現(xiàn)，δ0的取值會(huì)直接影響檢測(cè)的精度和效率。尺度過小，細(xì)節(jié)的模糊不夠充分，帶來極值點(diǎn)數(shù)量過多，處理負(fù)擔(dān)重，效率低。反之，尺度過大，有可能讓重要邊緣信息丟失，識(shí)別準(zhǔn)確率下降。本項(xiàng)目經(jīng)過大量實(shí)踐得到δ0的取值經(jīng)驗(yàn)公式：

式中：k為待識(shí)別圖形的極限尺寸。

比如，表面缺陷極限識(shí)別尺寸約占2 個(gè)像素，則δ0可以設(shè)置為0.7。

圖2 所示為不同尺度空間值，所檢測(cè)出的特征點(diǎn)（kpn）數(shù)量以及分布情況， 由 圖 可 知，δ0=0.7時(shí)， 特征點(diǎn)數(shù)量較為合適，分布也較為均勻。

圖2 不同尺度空間對(duì)特征點(diǎn)的影響

2.3 對(duì)比度閾值的確定

得到高斯差分組后，接下來的是提取圖案邊緣的極值點(diǎn)。其方法是，對(duì)比圖層上的點(diǎn)，及其所在組相鄰層3×3鄰域的26點(diǎn)，若該點(diǎn)為亮度最大或者亮度最小，即判斷為極值點(diǎn)。

由于椒鹽噪聲的干擾，可能存在來自非圖形輪廓的極值點(diǎn)。為了更準(zhǔn)確地獲得邊緣極值點(diǎn)，需要對(duì)極值點(diǎn)進(jìn)行修正，修正的原理是采用泰勒級(jí)數(shù)進(jìn)行擬合，設(shè)偏差為Δx，得到擬合公式如下：

實(shí)際特征點(diǎn)的導(dǎo)數(shù)應(yīng)該為零，如下：

正常的邊緣極值點(diǎn)往往具有較大的對(duì)比度，需要篩掉低對(duì)比度的極值點(diǎn)，跟其他幾個(gè)參數(shù)一樣，設(shè)定一個(gè)對(duì)比度閾值CT來進(jìn)行過濾。一般來說，CT的經(jīng)驗(yàn)值是0.04。

來自圖案邊緣特征點(diǎn)對(duì)比度相對(duì)內(nèi)部紋理細(xì)節(jié)要大，因此，如果檢測(cè)方案只需要提取物體的輪廓特征來進(jìn)行識(shí)別，可以將閾值CT適當(dāng)加大，反之則應(yīng)該適當(dāng)減小，以提取更多局部紋理特征。

另外，尺度變化處理，也就是圖像的模糊過程也會(huì)帶來對(duì)比度的改變，也可以參考模糊核的尺寸來設(shè)置CT值。將圖像數(shù)據(jù)標(biāo)準(zhǔn)化后，若高斯函數(shù)方差值δ0=0.7，則對(duì)稱中心和DOG 差值都約為0.32。按照70%極值點(diǎn)為有效數(shù)據(jù)，可估算出對(duì)比度閾值CT=0.2。

圖3所示為采用不同的對(duì)比度閾值（CT），缺陷圖像所檢測(cè)出的極值點(diǎn)（kpn）數(shù)量以及分布情況，對(duì)比可發(fā)現(xiàn)，當(dāng)CT=0.2時(shí)，極值點(diǎn)數(shù)量較少，且分布較為均勻。

圖3 不同對(duì)比度閾值對(duì)極值點(diǎn)的影響

2.4 圖像邊框極值點(diǎn)閾值

完成低對(duì)比度極值點(diǎn)剔除后，還需要剔除多余的圖像邊框極值點(diǎn)。過濾的依據(jù)是綜合像素點(diǎn)的橫向和縱向梯度信息來判斷。跟對(duì)比度過濾類似，通過設(shè)定閾值ET來實(shí)現(xiàn)。

ET的經(jīng)驗(yàn)值是10，研究發(fā)現(xiàn)，ET取值跟圖像處理速度有較大關(guān)系，盡可能減小該閾值，減少邊框極值點(diǎn)，可以提升檢測(cè)速度。但該值過小，會(huì)讓圖像內(nèi)部特征點(diǎn)也被誤判為邊框點(diǎn)，降低檢測(cè)精度。應(yīng)該按圖案區(qū)域和邊框梯度的大致數(shù)據(jù)范圍來合理設(shè)定閾值。圖4所示為表面缺陷檢測(cè)中，不同的ET值對(duì)極值點(diǎn)獲取的影響?？梢钥闯?，ET=3時(shí)較為合適，此時(shí)極值點(diǎn)分布均勻，數(shù)量也較少。

圖4 不同邊框極值點(diǎn)閾值對(duì)極值點(diǎn)的影響

3 實(shí)驗(yàn)與結(jié)果分析

特征點(diǎn)的合理提取是SIFT算法最主要的工作，表面缺陷的檢測(cè)主要依靠大量特征點(diǎn)數(shù)據(jù)集。

本文的實(shí)驗(yàn)主要環(huán)境配置為：操作系統(tǒng)為Windows7，軟件 IDE 為 Python7.0 + OpenCV4.0， GPU 顯 卡 為 Ge?Force-GTX-1650。

測(cè)試的表面缺陷主要包含凹陷、裂紋和斑點(diǎn)，檢測(cè)包含兩個(gè)數(shù)據(jù)，分別是缺陷檢出率和缺陷誤檢率。本項(xiàng)目實(shí)驗(yàn)對(duì)比3種應(yīng)用算法的檢測(cè)效果，分別是基于統(tǒng)計(jì)圖案統(tǒng)計(jì)Match?Template、基于SIFT 算子的特征識(shí)別方法和基于人工卷積神經(jīng)網(wǎng)絡(luò)CNN算法。對(duì)比結(jié)果如表1～2所示。

表1 缺陷檢出率對(duì)比

表2 缺陷誤檢率對(duì)比

從檢測(cè)效果來看，統(tǒng)計(jì)方法是最不理想的，人工神經(jīng)網(wǎng)絡(luò)在裂紋檢測(cè)上有較好效果，在凹陷和斑點(diǎn)的檢測(cè)上具有一定局限性。

出現(xiàn)這種結(jié)果的原因跟各自檢測(cè)的原理有關(guān)系，統(tǒng)計(jì)學(xué)方法對(duì)圖像的尺度、對(duì)比度、缺陷形態(tài)敏感，對(duì)于沒有固定形態(tài)的缺陷效果欠佳，而卷積神經(jīng)網(wǎng)絡(luò)對(duì)于污漬等干擾圖案不能有效區(qū)分，所以只對(duì)裂紋檢測(cè)效果較好。SIFT 表現(xiàn)出具有良好抗干擾能力的特性。

4 結(jié)束語

本文介紹了SIFT算法的識(shí)別原理，并給出了相關(guān)參數(shù)的設(shè)置方法和經(jīng)驗(yàn)公式，最后通過實(shí)際表面缺陷的檢測(cè)，對(duì)比驗(yàn)證了SIFT算法較強(qiáng)的魯棒性和抗干擾能力，以及相關(guān)參數(shù)設(shè)置方法的正確性和可行性。

實(shí)驗(yàn)數(shù)據(jù)表明，SIFT 算法在凹陷類和斑點(diǎn)類缺陷的檢出率上具有明顯優(yōu)越性，在裂紋類的誤檢率上也具有較大優(yōu)勢(shì)。特別是在有干擾圖像情況下，檢出率比神經(jīng)網(wǎng)絡(luò)提升了20%，誤檢率降低了3%。

但SIFT算法也存在一定的局限性，主要表現(xiàn)在檢測(cè)時(shí)間上，比神經(jīng)網(wǎng)絡(luò)慢了近一倍，還需要進(jìn)一步進(jìn)行研究和改進(jìn)。